Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Ilmu Komputer Fakultas Ilmu Komputer Universitas Al Asyariah Mandar Jurnal Informatika
Andini, Muthia
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Pengaruh AI : Perubahan Tingkat Kemalasan Mahasiswa di Kota Batam Andini, Muthia; Felicia Diana Rose; Joanntika Lewis; Juan Reza Rizkilmy; Desi Renata Sinurat
JURNAL ILMU KOMPUTER Vol 10 No 2 (2024): Edisi September
Publisher : LPPM Universitas Al Asyariah Mandar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35329/jiik.v10i2.305

Abstract

Perkembangan teknologi ChatGPT oleh OpenAI telah membawa perubahan signifikan di bidang pendidikan. Meskipun pada awalnya diterima dengan baik karena kemudahan penggunaannya dan kontribusinya dalam memfasilitasi mahasiswa menyelesaikan tugas, namun dampak ChatGPT terhadap tingkat kemalasan mahasiswa dalam berpikir perlu menjadi perhatian. Penelitian ini bertujuan untuk menganalisis secara menyeluruh berbagai dampak ChatGPT terhadap berbagai aspek. Penelitian ini berupaya mengeksplorasi bagaimana teknologi ini mempengaruhi proses pembelajaran, hasil pendidikan, dan interaksi dalam lingkungan pendidikan.. Dengan melakukan pendekatan kuantitatif melalui analisis data menggunakan teknik regresi, penelitian ini melibatkan pengisian kuesioner oleh 413 mahasiswa dari berbagai universitas di Kota Batam melalui Google Forms, yang kemudian disebarkan melalui media sosial seperti WhatsApp dan Telegram. Penelitian ini juga mengungkapkan adanya keterkaitan yang cukup signifikan antara penggunaan ChatGPT dan tingkat kemalasan mahasiswa. Hasil penelitian menunjukkan bahwa mahasiswa yang sering menggunakan ChatGPT dalam mengerjakan tugasnya cenderung memiliki tingkat kemalasan yang lebih tinggi jika dibandingkan dengan mahasiswa yang jarang bergantung pada ChatGPT. Temuan ini mendukung hipotesis bahwa penggunaan ChatGPT cenderung mengarah pada peningkatan tingkat kemalasan dalam mengerjakan tugas. Oleh karena itu, implikasi dari penelitian ini menekankan perlunya peninjauan ulang dalam penggunaan ChatGPT dalam konteks pendidikan, dengan menekankan pentingnya pengembangan kemandirian dan pemikiran kritis di antara mahasiswa.
Semi-Supervised Bullying Detection in Narrative Student Counselling Reports Using a Hybrid CNN-LSTM with Pseudo-Labelling Suwarno, Suwarno; Andini, Muthia; Siahaan, Mangapul
Jurnal Informatika Vol. 13 No. 1 (2026): April
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ji.v13i1.11512

Abstract

Bullying incidents in schools are often documented in narrative student counselling reports containing informal language, emotional expressions, and contextual dependencies, which pose challenges for automated text classification, particularly under limited labeled data conditions. This study aims to develop a bullying detection model for narrative student counselling reports using a Hybrid CNN-LSTM architecture combined with a pseudo-labelling-based semi-supervised learning approach. The proposed model is trained through a two-stage process, consisting of pre-training on approximately 70,000 publicly available abusive-language texts and fine-tuning using 1,000 anonymized student counselling reports validated by guidance counsellors. Pseudo-labelling is employed to expand the training data while preserving domain relevance and adhering to ethical considerations. Experimental results show that the proposed model achieves an accuracy of 0.8698, a recall of 0.8570, and an F1-score of 0.7951. Although the precision value (0.7415) is relatively lower, higher recall is prioritized to reduce the risk of overlooking potential bullying cases in the school counselling context. Comparative analysis with Logistic Regression and Linear SVM indicates that the Hybrid CNN-LSTM model demonstrates more stable performance when processing longer narrative inputs that require contextual interpretation. This study contributes empirical evidence on the effectiveness of semi-supervised deep learning for bullying detection in low-resource, narrative student counselling data, a setting that remains underexplored in prior work.
Co-Authors Desi Renata Sinurat Felicia Diana Rose Joanntika Lewis Juan Reza Rizkilmy Mungkap Mangapul Siahaan Suwarno Suwarno